ronghwa_lu

单调队列 处理 滑动窗口最大值（困难）单调栈：单调栈用途不太广泛，只处理一种典型的问题，叫做 Next Greater Element。496. 下一个更大元素 I （简单）这里多了一步是，在nums2中找到目标值nums1。给你两个 没有重复元素 的数组 nums1 和 nums2 ，下标从 0 开始计数，其中nums1 是 nums2 的子集。var nextGreaterElement = function(nums1, nums2) { let stack = [], n.

https://www.freesion.com/article/9320430513/torch.nn.conv2d的group参数谨记：input_channel = xoutput_channel = ygroup = n组卷积就是把将input分解成group个组，即input_channel则一个组需要 output_channel / group 个filter，因为group * output_channel / group = output_channel 。为啥分组呢？

官方教程中文版安装DGL内置函数和消息传递APIdgl.function查阅需要的函数，官方教程没有注释消息传递框架（Message Passing Paradigm）：可以对“边” 或者 “节点” 计算，（小白，还不知道怎么运用“边”的特征）message function消息函数：它通过将边上特征与其两端节点的特征相结合来生成消息。update function更新函数：结合聚合后的消息和节点本身的特征来更新节点的特征。reduce function聚合函数：聚合节点接受到的消息

知乎：一文读懂图卷积GCN，苘郁蓁​目录图网络的分类1.1 Graph Embedding——方式：矩阵分解、DeepWalk游走、Graph Neural Network1.2 Graph Neural Network——统称，从图的类型，训练的方式，传播的方式三个方面划分1.3 Graph Convolutional Network——理解其他模型（GAT、Graph LSTM）的基础图卷积神经网络GCN属于图神经网络GNN的一类，是采用卷积操作的图神经网络，可以应用于图嵌入GE。

转载核心：moduleList当添加 nn.ModuleList 作为 nn.Module 对象的一个成员时（即当我们添加模块到我们的网络时），所有 nn.ModuleList 内部的 nn.Module 的 parameter 也被添加作为 我们的网络的 parameter。和普通list不一样，它和torch的其他机制结合紧密，继承了nn.Module的网络模型class可以使用nn.ModuleList并识别其中的parameters，而nn.ModuleList则没有顺序性要求，并且也没有实

计算target 和output 间的二值交叉熵(Binary Cross Entropy)转载1：介绍公式，计算过程转载2：函数参数解释转载3：BCEWithLogitsLoss还提供了参数pos_weight

转载1：https://zhuanlan.zhihu.com/p/67053004?from_voters_page=true首先讲讲保存模型或权重参数的后缀格式，权重参数和模型参数的后缀格式一样，pytorch中最常见的模型保存使用 .pt 或者是 .pth 作为模型文件扩展名。还有其他的保存数据的格式为.t7或者.pkl格式。t7文件是沿用torch7中读取模型权重的方式，而pth文件是python中存储文件的常用格式，而在keras中则是使用.h5文件 。转载2：https://blog.cs

问题当我们进行batch个训练数据一起计算的时候，我们会遇到多个训练样例长度不同的情况，这样我们就会很自然的进行padding，将短句子padding为跟最长的句子一样。问题是，句子“Yes”只有一个单词，但是padding了5的pad符号，这样会导致LSTM对它的表示通过了非常多无用的字符，这样得到的句子表示就会有误差。RNN对变长序列的处理主要是用函数torch.nn.utils.rnn.pack_padded_sequence()和torch.nn.utils.rnn.pad_packed

前言该代码来源：《深度学习理论与实战：基础篇》的ch4章节，编著：李理。github，第一篇探索attention原理时发现的大神。代码形式与官网大致相似，也有优化的地方。Variable可以训练的PyTorch模块要求输入是Variable而不是Tensor。Variable除了包含Tensor的内容之外，它还会跟踪计算图的状态，从而可以进行自动梯度的求值。def variable_from_sentence(lang, sentence): indexes = indexes_

view只是读数组的方式不同https://blog.youkuaiyun.com/york1996/article/details/81949843 介绍view()view只能用在contiguous的variable上。如果在view之前用了transpose,permute等，需要用contiguous()来返回一个contiguous copy。what is contiguoushttps://blog.youkuaiyun.com/appleml/article/details/80143212?utm_so

本篇没技术含量，来源于知乎评论：问题来源：nn.Embedding输入的是每个词的索引。该层就通过索引返回对应的词向量。全连接层输入如果是one-hot（向量中只有一位为1），那返回的也是对应的那一行向量。作者：Hover链接：https://www.zhihu.com/question/344209738/answer/843929870Embededding 描述的一种功能，FC描述的是一种结构，二者的划分方式不同Embedding的目的是进行数据的降维和向量化，比如图像用CNN卷了之后

链接1：单个RNN单元可以使用torch.nn.RNNCell(), LSTMCell(), GRUCell() ——使用for循环来处理循环神经网络（时间维度）可以直接调用torch.nn.RNN(), LSTM(), GRU()rnn = nn.LSTM(10, 20, 2) # 初始化LSTM, 输入x的特征数=10, 输出隐藏状态的特征数=20, LSTM的层数=2input = torch.randn(5, 3, 10) # 字段长度/时间步总数=5, batch_size=3

torch.data()或者直接print(x)获取的类型是tensor, item()则是float.注意torch.item()只能是一个值，适合返回loss，acctorch.eq(input, other, out=None)比较元素是否相等，第二个参数可以是一个数，或者是第一个参数同类型形状的张量。相同则对应位置为1，否则为0https://blog.youkuaiyun.com/DJames23/article/details/105847199/比较torch.eq()与x.eq()http